python2 代码实现：
from numpy import *
import numpy
def loadDataSet(fileName): #general function to parse tab -delimited floats
dataMat = [] #assume last column is target value
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split(‘\t’)
fltLine = map(float,curLine) #map all elements to float()
dataMat.append(fltLine)
return dataMat
def distEclud(vecA, vecB):
return sqrt(sum(power(vecA – vecB, 2))) #la.norm(vecA-vecB)
def randCent(dataSet, k):
n = shape(dataSet)[1]
centroids = mat(zeros((k,n)))#create centroid mat
for j in range(n):#create random cluster centers, within bounds of each dimension
minJ = min(dataSet[:,j])
rangeJ = float(max(dataSet[:,j]) – minJ)
centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
return centroids
def kMeans(dataSet, k, distMeas=distEclud, createCent=randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))#create mat to assign data points
#to a centroid, also holds SE of each point
centroids = createCent(dataSet, k)
clusterChanged = True
while clusterChanged:
clusterChanged = False
for i in range(m):#for each data point assign it to the closest centroid
minDist = inf; minIndex = -1
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:])
if distJI < minDist:
minDist = distJI; minIndex = j
if clusterAssment[i,0] != minIndex: clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2
print centroids
for cent in range(k):#recalculate centroids
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster
centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean
return centroids, clusterAssment
#以上代码基本跟上篇python3的代码一致，除了2跟3语法不同的语句外
二分K均值算法
为了克服K均值算法收敛于局部最小值的问题，提出了二分K均值算法。
算法思想
该算法首先将所有点作为一个簇，然后将该簇一分为2，之后选择其中一个簇继续进行划分，划分规则是按照最大化SSE（目标函数）的值。
主要步骤：
将所有点看成一个簇
计算每一个簇的总误差
在给定的簇上进行K均值聚类，计算将簇一分为二的总误差
选择使得误差最小的那个簇进行再次划分
重复步骤2，直到簇的个数满足要求
具体实现
#!/usr/bin/python
def biKmeans(dataSet, k, distMeas=distEclud):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))#创建一个矩阵存储每个点的簇分配结果及平方误差
centroid0 = mean(dataSet, axis=0).tolist()[0]#计算整个数据集的质心
centList =[centroid0] #create a list with one centroid#使用一个列表来保留所有的质心
for j in range(m):#calc initial Error 遍历数据集中所有点
clusterAssment[j,1] = distMeas(mat(centroid0), dataSet[j,:])**2#计算每个点到质心的误差值
while (len(centList) < k):#该循环会不停对簇进行划分，直到得到想要的簇数目为止，为此需要比较划分前后的sse
lowestSSE = inf#开始将最小SSE设为无穷大
for i in range(len(centList)):#遍历簇列表centList中的每个簇来决定最佳的簇进行划分
ptsInCurrCluster = dataSet[nonzero(clusterAssment[:,0].A==i)[0],:]#get the data points currently in cluster i 对每个簇，对该簇中的所有点看成一个小的数据集ptsInCurrCluster
centroidMat, splitClustAss = kMeans(ptsInCurrCluster, 2, distMeas)#将ptsInCurrCluster输入到函数kmeans()（k=2）中进行处理生成2个质心簇，并给出每个簇的误差值
#误差与剩余数据集的误差之和将作为本次划分的误差
sseSplit = sum(splitClustAss[:,1])#compare the SSE to the currrent minimum
sseNotSplit = sum(clusterAssment[nonzero(clusterAssment[:,0].A!=i)[0],1])
print “sseSplit, and notSplit: “,sseSplit,sseNotSplit
if (sseSplit + sseNotSplit) < lowestSSE:#如果该划分的sse值最小，则本次划分保存
…
一旦决定了要划分的簇，就要执行实际划分操作，即将要划分的簇中所有点的簇分配结果进行修改即可。当使用KMEANS()函数并簇数为2时，得到两个编号0与1的结果簇，需要将这些簇编号修改改为划分簇与新加簇的编号，该过程通过2个数组过滤器完成
…
bestCentToSplit = i
bestNewCents = centroidMat
bestClustAss = splitClustAss.copy()
lowestSSE = sseSplit + sseNotSplit#
bestClustAss[nonzero(bestClustAss[:,0].A == 1)[0],0] = len(centList) #change 1 to 3,4, or whatever
bestClustAss[nonzero(bestClustAss[:,0].A == 0)[0],0] = bestCentToSplit
print ‘the bestCentToSplit is: ‘,bestCentToSplit
print ‘the len of bestClustAss is: ‘, len(bestClustAss)
centList[bestCentToSplit] = bestNewCents[0,:].tolist()[0]#replace a centroid with two best centroids #新的簇分配结果被更新
centList.append(bestNewCents[1,:].tolist()[0])#新的质心添加到centlist中
clusterAssment[nonzero(clusterAssment[:,0].A == bestCentToSplit)[0],:]= bestClustAss #reassign new clusters, and SSE
return mat(centList), clusterAssment #while循环结束后，同kmeans（）函数一样，函数返回质心列表与簇分配结果
下面几个函数是将一个API字典里的地址转换为经度与纬度，然后对给出的地址坐标进行聚类，最后画出所有点以及簇中心，并看看聚类结果到底如何。
import urllib
import json
def geoGrab(stAddress, city): #函数geoGrab()从雅虎返回一个字典
apiStem = ‘http://where.yahooapis.com/geocode?’ #create a dict and constants for the goecoder
params = {}
params[‘flags’] = ‘J’#JSON return type返回类型为json格式
params[‘appid’] = ‘aaa0VN6k’
params[‘location’] = ‘%s %s’ % (stAddress, city)
url_params = urllib.urlencode(params)#urllib的urlencode()函数将创建的字典转换为可通过URL进行传递的字符串格式
yahooApi = apiStem + url_params
print yahooApi #打印输出的URL
c=urllib.urlopen(yahooApi)#打开url
return json.loads(c.read())#读取返回值
由于返回值是json格式，所以可以使用json的python模块来将其解码为一个字典，一旦返回了解码后的字典，也就意味着你成功的对一个地址进行了地理编码。
from time import sleep
def massPlaceFind(fileName):#massplacefind()函数将所有这些封装起来并且将相关信息保存到文件中
fw = open(‘places.txt’, ‘w’)#打开一个文本文件
for line in open(fileName).readlines():
line = line.strip()
lineArr = line.split(‘\t’)#tab分割的文件
retDict = geoGrab(lineArr[1], lineArr[2])#获取第2列第3列结果，并输入到geoGrab函数中
if retDict[‘ResultSet’][‘Error’] == 0:#检查geoGrab()的输出字典判断有没有错误，如果没有错误，就可以从字典中读取经纬度，
lat = float(retDict[‘ResultSet’][‘Results’][0][‘latitude’])
lng = float(retDict[‘ResultSet’][‘Results’][0][‘longitude’])
print “%s\t%f\t%f” % (lineArr[0], lat, lng)
fw.write(‘%s\t%f\t%f\n’ % (line, lat, lng))#这些值被添加到原来的原来对应的行上，同时写入到新的文件中
else: print “error fetching” #如果有错误，就不需要抽取经纬度
sleep(1)#利用sleep()函数将massPlaceFind()函数推迟1秒，为了保护不要在短时间内过于频繁的调用API,因为如果频繁调用，请求可能会被封掉，所以推迟一下比较好。
fw.close()
对地理坐标进行聚类
def distSLC(vecA, vecB):#Spherical Law of Cosines
a = sin(vecA[0,1]*pi/180) * sin(vecB[0,1]*pi/180)
b = cos(vecA[0,1]*pi/180) * cos(vecB[0,1]*pi/180) * \
cos(pi * (vecB[0,0]-vecA[0,0]) /180)#使用球面余弦定理来计算2个经纬度之间的距离，因为两级与赤道同时走相同的距离对经纬度的变化不同
return arccos(a + b)*6371.0 #pi is imported with numpy#返回地球表面两点之间的距离
#簇聚类及绘图函数
import matplotlib
import matplotlib.pyplot as plt
def clusterClubs(numClust=3):
datList = []
for line in open(‘C:/Users/HZF/Desktop/python数据挖掘十大算法实现/11.csv’).readlines():
lineArr = line.strip().split(‘,’)
#print lineArr
#np.array
fltLine = map(float,lineArr)
#print fltLine
datList.append(fltLine)
#print dataList
#datList=numpy.array(datList)
#print datList
datMat = mat(datList)
myCentroids, clustAssing= kMeans(datMat, numClust)#使用kmeans算法聚类，这里也可以调用bikmeans聚类
#print myCentroids, clustAssing
fig = plt.figure()
rect=[0.1,0.1,0.8,0.8]
scatterMarkers=[‘s’, ‘o’, ‘^’, ‘8’, ‘p’, \
‘d’, ‘v’, ‘h’, ‘>’, ‘<‘]#标记类型
axprops = dict(xticks=[], yticks=[])
ax0=fig.add_axes(rect, label=’ax0′, **axprops)
plt.savefig(‘glp.png’, dpi = 75)
imgp=plt.imread(‘portland.png’)#imread()函数基于一副图像来创建矩阵
ax0.imshow(imgP)#绘制该矩阵
ax1=fig.add_axes(rect, label=’ax1′, frameon=False)
for i in range(numClust):#遍历每一个簇
ptsInCurrCluster = datMat[nonzero(clustAssing[:,0].A==i)[0],:]
markerStyle = scatterMarkers[i % len(scatterMarkers)]#使用索引i%len(scatterMarkers)选择标记形状，当有更多簇时，可以循环使用这些标记
ax1.scatter(ptsInCurrCluster[:,0].flatten().A[0], ptsInCurrCluster[:,1].flatten().A[0], marker=markerStyle, s=90)#一一画出来
ax1.scatter(myCentroids[:,0].flatten().A[0], myCentroids[:,1].flatten().A[0], marker=’+’, s=300)#使用+字标记表示簇中心
plt.show()#显示在图中
if __name__==’__main__’: #主函数调用
clusterClubs(numClust=3)
这篇是对kmeans算法的python2实现，刚开始在简书上写代码，排版不是很专业，还在寻找合适的排版软件，后续会改变，这些代码可以在诸如editplus等python专业编辑器里自动排版。下篇主要写应用及参考文献。会尽快更新！
（待续）
